SKILLEMALL.ai

AB groundwater-recharge-potential

Многокритериальный отбор потенциала пополнения грунтовых вод с использованием данных о рельефе, почве, геологии, землепользовании, плотности дренажной сети и осадках. Поддерживает AHP, взвешенное наложение и нечеткую агрегацию с анализом чувствительности и пространственной валидацией. Используйте, когда пользователь хочет определить зоны с более высоким потенциалом пополнения, сравнить сценарии весов или сгенерировать карты потенциальных зон пополнения для планирования.

машинный переводПоказать оригиналСкрыть оригинал«Multi-criteria screening of groundwater recharge potential using terra…»

Multi-criteria screening of groundwater recharge potential using terrain, soil, geology, land cover, drainage density, and rainfall. Supports AHP, weighted overlay, and fuzzy aggregation with sensitivity analysis and spatial validation. Use when the user wants to identify zones with higher recharge potential, compare weight scenarios, or generate candidate recharge area maps for planning purposes.

ClawHub Agent Skills автор: ruiduobao v2.0.0 MIT-0 6 файлов · 1 скрипт тело ≈ 1 332 токенов Открыть источникclawhub.ai↗ проанализирован 12 дн назад

Многокритериальный отбор потенциала пополнения грунтовых вод с использованием данных о рельефе, почве, геологии, землепользовании, плотности дренажной сети и…

Как процесс B 70/100 · Почти готов — слабые места: ошибки и развилки, согласованность, повторный запуск

ПроцедураРазработкаМаркетингтип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
B
70/100
Почти готов
Ошибки и развилки вес 10
0
Повторный запуск вес 4
30
Согласованность вес 8
40
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 70/100

    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (groundwater-recharge-potential) не совпадает с папкой (geoskill-groundwater-recharge-potential)
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 55
    • 100Стоимость исполнения. Тело инструкции 1332 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 13. Похоже на несколько доменов в одном скилле

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +2Инструкции на одном языке
    • +3Длина description 400 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 22 заголовков
    • +3Пошаговые инструкции: 55 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (3 блоков кода)
    • +3Все 1 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.

    Внешние проверки

    ClawHub: clean
    This skill is a disclosed geospatial analysis tool that reads user-provided raster data and writes local planning outputs, with no evidence of hidden data access or exfiltration.
    LLM: benign (high) · VirusTotal: · 31 июл. 2026 г.